基于Hypermesh的水工结构建模及应用

介绍了Hypermesh软件与CAD软件联合仿真的步骤,重点阐述了该建模方法中对网格的形状、疏密和衔接进行控制的原则。以不均匀地基上结构复杂的某水闸为例,系统地介绍选取特征断面构造模型几何轮廓、综合考虑多个断面划分二维网格和借助土层分界面建立地基的建模方法。经检验,该水闸模型质量满足仿真要求,计算结果符合水闸受力特征,最大拉应力为3.077 MPa(顺河向),出现在闸门过水1工况下水闸边墩支座上。Hypermesh结合CAD平面图建模的方法能够实现复杂水工结构仿真,对水工结构的安全评估具有一定参考价值。     

基于人工蜂群算法与Elman神经网络的大坝变形监控模型

针对Elman神经网络收敛速度慢、容易陷入局部极小等问题,建立了人工蜂群算法(ABC)与Elman神经网络组合的大坝变形监控模型。应用于某混凝土重力坝的结果表明,单纯Elman神经网络建模方法预测的相对误差和标准差分别为3.50%和0.131,ABC-Elman(人工蜂群算法与Elman神经网络)模型预测的相对误差和标准差分别为1.98%和0.063。从各影响因子对大坝变形的贡献上看,水压分量占27.9%,温度分量占62.3%,时效分量占9.8%。ABC-Elman模型在建模效率、预测精度等方面均有一定的优势,较适合于大坝变形的建模分析,并可推广于大坝渗流、应力等监控模型中。     

基于SVM的混凝土坝变形监控模型预测能力实例分析

大坝变形与水位、温度、时效等较多因素非线性相关,支持向量机(Support Vector Machine, SVM)适用于小样本、非线性、高维学习问题,在大坝安全变形监控上具有很大的优越性。阐述了支持向量机的原理,介绍了应用SVM建立混凝土坝变形监控模型的步骤及其参数优化方法。针对预测样本数目的合理取值问题,通过实例分析,研究基于SVM的混凝土坝变形监控模型的预测能力。结果表明,基于SVM的混凝土坝变形监控模型短期预测能力优于长期预测能力,且其预测能力受预测集数目的影响大于算法优化的影响。因此,合理选择预测集数目对变形监控模型有效预测尤为重要。     

考虑横缝影响的某双曲拱坝动力分析

基于某拱坝有限元模型,采用动接触模型模拟拱坝横缝,分析横缝对拱坝地震响应的影响及动力作用下拱坝横缝的开度。与无横缝模型结果对比分析表明,横缝的存在会使拱坝应力重分布,且其张开可减小拱向应力,同时增加梁向应力。从最大主应力角度考虑,横缝的存在削弱了拱坝的整体性,导致最大主应力增大,但对位移的影响不大;横缝开度较大区域集中在拱冠梁和左右岸坝肩位置,因而横缝影响在拱坝动力分析中不可忽略。